German English

Seminar New Trends in Machine Learning und Data Analytics

Überblick

  • Das Seminar ist auf ca. 40 Teilnehmer/innen des Masterstudiengangs Data Science begrenzt.

  • Um an dem Seminar teilzunehmen, müssen Sie sich im AlmaWeb für das Modul Skalierbare Datenbanktechnologien 1 (10-INF-DS01) und das Seminar anmelden sowie an der Einführungsveranstaltung teilnehmen, bei der die endgültige Platz- und Themenvergabe erfolgt.

    ** Bei Fragen und Problemen zur An- und Abmeldung wenden Sie sich bitte an das Studienbüro via einschreibung(at)math.uni-leipzig.de

  • Die studentischen Vorträge finden an den Freitagsterminen im Jan./Feb 2022 (jeweils ab 13:15 Uhr) statt.

  • Alle Materialien und Informationen finden Sie im entsprechenden Moodle-Kurs.

Leistungsbewertung

Ein erfolgreiches Seminar setzt die Teilnahme an allen Seminarterminen voraus, die selbständige Erarbeitung eines Themas sowie einen Vortrag sowie eine schriftliche Ausarbeitung (15-20 Seiten) über das Thema. Die Benotung setzt sich aus der Note zu Vortrag und Diskussion sowie der Note für die Ausarbeitung zusammen. Einige Hinweise zum Verfassen der schriftlichen Ausarbeitung finden Sie hier.

Literatur

Für das Verständnis ist es hilfreich sich folgende Studentenarbeiten oder Originalliteratur Quellen zum Thema Deep Learning anzuschauen.

Thema Quelle
Einleitung Deep-Learning Studentenarbeit,[1],[2]
Autoencoder und CNN Studentenarbeit,[1]
Recurrent Neural Networks[1] [2]

Themen und Betreuer

NrThemaBetreuerVotragenderQuellenTermin VortragFolienAusarbeitung
0Einführung in Seminar und Themen-Prof. Rahm22.10.2021 15:15 Uhr-
Privacy & Security
P1Model inversion AttackSchneider[1]
P2Bypass Facial ID AuthenticationRohde[1]
P3Private Next-Location PredictionSchneider[1]
P4Fair MLSaaedi[1]
P5Runtime Analysis of Whole-System ProvenanceGrimmer[1]
P6Unicorn: Runtime provenance-based detector for advanced persistent threatsGrimmer[1]
P7Cross-Layer Deanonymization Methods in the Lightning ProtocolKreusch[1]
P8Blockchain-Federated-Learning for COVID-19 detection using CT-ImagesKreusch[1]
Techniques for limited labeled data & heterogeneous data
LD1Deep Entity Matching with Pre-Trained Language ModelsKöpcke[1]
LD2End-to-end Task Based Parallelization for Entity Resolution on Dynamic DataKöpcke[1]
LD3Deep Learning for Blocking in Entity MatchingFranke[1]
LD4Multi-modal Representation LearningWilke[1],[2],[3],[4]
LD5Self Supervised Learning Wilke[1],[2]
LD6On the Ambiguity of Rank-Based Evaluation of Entity Alignment or Link Prediction MethodsObraczka[1]
LD7DGL-KE: Training Knowledge Graph Embeddings at ScaleObraczka[1]
Natural Language Processing
NLP1Pre-trained Models for Natural Language Processing: A SurveyChristen[1]
NLP2On the Dangers of Stochastic parrots:Can Language Models Be Too Big?Pogany[1]
Evolving Graphs
G1Programming Abstractions for Distributed Graph ProcessingAdameit[1]
G2Temporal Graph Query LanguagesRost[1]
G3Tegra: Efficient Ad-Hoc Analytics on Evolving GraphsGomez[1]
G4Effective partitioning mechanisms for time-evolving graphs in the Flink systemGomez[1]
G5Graph Stream Summarization TechniquesRost[1],[2]
Graph Machine Learning
G6GraphFL: A Federated Learning Framework for Semi-Supervised Node Classification on GraphsHofer[1]
G7Stochastic Graph Embedding of Temporal GraphsAdameit[1]
G8Attention Temporal Graph Convolutional NetworksSchuchart[1]
G9Convolutional 2D Knowledge Graph EmbeddingsHofer[1]
G10Evolving Graph Convolutional NetworksSchuchart[1]
G11Towards multi-modal causability with Graph Neural NetworksSöchting[1]
G12Explainability in Graph Neural NetworksSöchting[1]
Signal processing[1]
SP1Location Tracking using Mobile Device SensorsRohde[1], [2]
SP2Person tracking – lifted multicutLeipnitz[1]
SP3Person tracking – Graph similarityLeipnitz[1]
SP4Small Bird RecognitionFranke[1]
Deep Learning in Physics
PH1Physics Informed Deep LearningUhrich[1]
PH2Deep Neural Networks motivated by Partial Differential EquationsUhrich[1]
Bio-Medical Applications
BM1Viral Host Prediction by Deep LearningEwald[1]
BM2Predicting Cancer Cells-lines’ Drug-Response Using a Probabilistic Graphical ModelPogany[1]
BM3Covid-19 Knowledge GraphChristen[1], [2]
BM4Interpretable Predictions of biomedical relationships via knowledge graphsChristen[1], [2]
BM5Classification and Visualization of Alzheimer’s Disease using Volumetric Convolutional Neural Network and Transfer LearningNeumann[1], [2]
BM6OM-Nets with Cross-task Guided Attention for Brain Tumor SegmentationNeumann[1],[2]
BM7Can Virtual Contrast Enhancement in Brain MRI Replace Gadolinium?Martin[1]
BM83D CNN for detection of Lesions in chest CTMartin[1]
» Druckversion